Firmy AI skupują stare książki, bo to ostatnie dane wolne od AI

👁 132 przeczytań

Broker danych ISBNdb zaczął sprzedawać laboratoriom AI fizyczne książki do skanowania na masową skalę - donosi 404 Media. Firma, określająca się mianem największej bazy danych ISBN na świecie, reklamuje stare druki jako „gęste, redagowane, autoryzowane” - i przede wszystkim wolne od tekstu wygenerowanego przez maszyny.

Logika jest prosta: książki opublikowane przed 2022 rokiem powstały zanim modele językowe zalały sieć swoim outputem. To ma kluczowe znaczenie w kontekście model collapse - udokumentowanego zjawiska, w którym modele trenowane na syntetycznych danych kolejnych generacji stopniowo tracą jakość. Otwarta sieć nie daje już żadnej gwarancji, że pobrany tekst jest dziełem człowieka. Stary druk - owszem.

Zatruwanie danych jako drugi powód

Jest jeszcze jeden problem, przed którym stare książki chronią: celowe zatruwanie korpusów treningowych. Część autorów, wzorem twórców obrazów używających Nightshade, zaczęła laszować tekst znakami niewidocznymi dla człowieka, ale szkodliwymi dla modeli. Według badań Anthropic cytowanych przez ISBNdb już od 250 do 500 sprytnie spreparowanych dokumentów wystarczy, by zasadzić backdoor w korpusie liczącym biliony tokenów. Książki sprzed 2022 roku - napisane zanim te narzędzia istniały - omijają ten problem z definicji.

ISBNdb sprzedaje to jako provenance: fizyczny egzemplarz kupiony z paragonem daje działowi prawnemu czysty łańcuch dowodowy.

Jest tylko jeden haczyk, który firma sama opisuje bez ogródek. Skanowanie w takiej skali zwykle niszczy książkę - pracownicy ścinają grzbiet, a luźne kartki przechodzą przez skaner. To szybsze i tańsze niż ostrożne alternatywy. Dlatego ISBNdb oferuje klientom pełną dyskrecję: „ścisłe NDA przy każdym zleceniu”, a nazwiska kupujących „nigdy nie są ujawniane”. Własna strona firmy tłumaczy dlaczego: „’Firma AI niszczy dwa miliony książek’ to nie jest nagłówek, który budzi sympatię”. Sugerowanym wyjściem z tej sytuacji jest zmiana narracji - opisanie destrukcji jako „cyfrowej konserwacji”.

Prawny grunt pod ten model dał niedawno sąd w USA, który zatwierdził ugodę Anthropic w wysokości 1,5 mld USD i orzekł, że skanowanie zakupionych egzemplarzy mieści się w fair use - częściowo dlatego, że zniszczenie oryginału oznacza, iż jedna legalna kopia zastąpiła drugą. Kupowanie i niszczenie papieru okazuje się więc ścieżką akceptowaną przez sądy. Ingram, największy dystrybutor książek w USA, już ostrzegł wydawców i zaproponował im możliwość opt-outu.

Branża, która obiecywała digitalizację ludzkiej wiedzy, teraz płaci za jej skup i przemiał - tonę za toną.

// czytaj dalejAI w tłumaczeniu kodu między językami przyspieszy migracje. Stare systemy dostaną drugie życiePremiumFirmy od sztucznej inteligencji szukają etyki u liderów religijnych. Ważny gest czy wygodny teatr?PremiumRecenzja książki „Bóg techy”: Czy jesteśmy już tylko cyfrową biomasą?Veo 3